华为云开源具身世界模型CloudRobo-WM1.2:世界模型直接出动作,两项机器人评测居首
核心概要
华为云在杭州发布并开源昇腾原生的具身世界模型CloudRobo-WM1.2,目标是让机器人从看懂静态图像走向预判物理交互并直接生成动作。此前具身智能受困于多模态物理理解、世界认知与动作生成耦合、异构数据难以规模化利用、跨本体泛化和实时推理算力成本等问题。该模型以共享世界模型骨干网络做预测增强的世界表征,配合世界模型原生DualAct架构直接输出动作,在RoboTwin 2.0与LiberoPro 2.0评测中均位列第一。
深度剖析
华为云发布并开源了昇腾原生的具身世界模型CloudRobo-WM1.2,机器人控制不再只依赖对静态图像的识别,而是由世界模型预判物理交互结果并直接给出动作。 具身智能从实验室走向真实物理世界时,面临多模态物理理解困难、世界认知与动作生成耦合难、异构数据难以规模化利用、跨本体泛化难和实时推理算力成本高等挑战。 在RoboTwin 2.0与LiberoPro 2.0两项评测中,CloudRobo-WM1.2均位列第一。
模型用一套共享的世界模型骨干网络承载预测增强的世界表征,再由世界模型原生的DualAct架构把动作直接输出,形成原生机器人动作控制。 DualAct是双通道动作架构,基于MOT架构,动作专家也能直接高效输出动作,开发者可灵活定义动作专家尺寸以提高后训练效率。 CloudRobo-WM1.2共构建五项核心技术,除DualAct外还包括PPA多模态世界表征、多粒度监督数据自适应预训练、本体语义保真跨具身运动建模,以及World/Expert Action与Joint/Action-only四种可组合的弹性推理模式。
训练侧按数据实际具备的有效信息组织监督,动作标注缺少、部分维度无效、深度缺失或相机视角不完整的数据都能被兼容,从而释放异构数据的扩展潜力。 按数据实际有效信息组织监督,避免有价值数据因局部缺失被整体丢弃。 跨本体部分为单臂、双臂、轮式等不同形态机器人提供统一的动作翻译器,让共享模型区分不同机器人的运动语言,支持多本体协同学习。
启示与展望
已展示的范围是模型发布与开源,以及在RoboTwin 2.0和LiberoPro 2.0两项评测中位列第一;面向的读者是具身智能模型开发者与机器人本体厂商,使用场景依托华为云昇腾云的算力与云原生基础设施。
文本只给出两项评测的排名,没有给出具体分数、对比基线或真实物理作业中的表现;跨本体泛化与弹性推理模式的实际效果也仅以设计目标的形式陈述。
